可视分析应用类文章的贡献: 只简单的说，市面上没有这样的系统，是不够的。还需要回答，为什么这样的系统不是trivial applications of some general techniques。 要回答这个问题，就要提炼科研问题，把问题formulate成general的数据类型，和task类型，然后回答为什么从数据类型到task类型之间的general mapping 不能解决这个应用问题。 

基本的数据类型就是array，time series/sequence data, spatio-temporal data, tree/graph, text等。 做应用类文章，先提炼数据，把对数据的描述中去掉应用性的描述（比如排产数据），而是转换为抽象的描述 （比如高维数据，每个维度都是什么样的attribute type， categorical or ordinal? 是否带时间维度？）任务也是，对task的描述也抽象成带共性的一些task，比如summary/overview，cluster， outlier，correlation， trend/prediction，comparative analysis，…）。

如果读过足够多的paper，受过足够的训练，那么就会知道从abstract data 到 abstract task之间存在的general techniques。然后就需要回答那个问题：为什么这个应用问题的解决方案不是某个general technique的trivial application？

比如调一个参数，结果就变；不停调整参数，观察结果变化。这个抽象成可视化任务就是summary or comparative analytics。 前者就是针对很多个参数和结果，summarize results。Ensemble analysis也是这类任务。后者就是比对两组或是多组不同的参数，比如比对两个高维结果的异同。这就是comparative analysis。而visual comparative analysis就有三种general techniques：1. juxtapose （把两个结果side by side 放到一起比对）；2. overlay （把两个叠加）；3. explicit encoding （算出差异，直接encode differences）。你就得回答你是否用了其中的一个general technique。非什么用一个而不用另一个。像what-if analysis， 就得回答，可视化是不是只是自动算法的一个界面，方便用户输入参数，观察结果。如果这样，就trivial了. 

整个过程就像是学会说，这是个list，这是个queue，这是个排序问题一样。做可视化应用类paper，也得会用专业术语说，这是个什么数据，这是个什么可视化task。先剥离掉应用层，看看抽象后的general technique是否可以完全解决这个应用问题。如果不能，就得开发新技术，即使是tailored，extended，enhanced technique，也是可以claim contributions的。 

应用类文章需要回答的一些问题：

1. How hard to understand the domain problem? 如果从应用里面抽离数据和task本身就很不trivial，那么这可以算一个贡献。

2. How non-trivial of your solution？  a. 如果general technique技术特别多，可选择工具很多, 组合更多，有些歧路亡羊的感觉，不知道怎么选。 你和domain experts一起合作，试验了很多方法，最后找到了一个好的组合，这本身就是贡献。 b. 如果general technique有不如人意的地方，你做了些改进，比如设计了一个glyph，效果好很多，这也是贡献。

3. How success of your system？ 用你的系统发现了新的知识，产生经济效益，大规模提高效率，被很多人采用，。。。，这些都是系统成功的evidence。

4. Can your technique/lesson be generalized? How can general audience learn from your paper? 想象一下VIS会议坐在下面的听众听你的报告，和一般的VIS researcher读你的paper，如果他们对具体的应用（工业4.0，或是Portfolio management）不感兴趣， 他们还能学到什么？